在之前的公众号文章中有分享两个开源样本库：GID-ENVIFormat和Five-Billion-Pixels-ENVIFormat样本库。这两个样本库均包含大量影像底图和高质量的样本数据。GID-ENVIFormat样本库包含5类别和15类别样本数据，Five-Billion-Pixels-ENVIFormat包含24类别样本数据。
GID-ENVIFormat样本库介绍及获取链接：
GID-ENVIFormat开源样本库分享|新机器学习与深度学习在遥感图像分类中的应用
https://pan.baidu.com/s/1j_Nmp7_seHve0IUnp8rgYA?pwd=envi
Five-Billion-Pixels-ENVIFormat样本库介绍及获取链接：
Five-Billion-Pixels-ENVIFormat 五十亿像素高精度样本库分享
https://pan.baidu.com/s/1z8uu4WCF9KKgU45VToK0uQ?pwd=envi
有了样本数据，就可以使用ENVI深度学习工具方便地进行深度学习模型训练和图像分类了。本文以Five-Billion-Pixels-ENVIFormat样本库数据的使用为例，介绍使用ENVI深度学习工具进行图像信息提取的操作流程。
1. 选择数据
在进行深度学习操作之前，首先要确定使用的数据，样本库中包含了8位3波段RGB图像和16位4波段原始图像，根据待分类图像的类型选择使用的影像底图。如果待分类的图像是3波段字节型数据可选择8bit_RGB数据进行后续的模型训练。如果是原始4波段数据，可以使用16bit_BGRNir数据进行模型训练。
2. 生成标签图像
确定好底图数据之后，需要和分类图像一起生成标签图像，从而训练深度学习模型。Image_Class文件夹中的数据为分类图像。在ENVI工具箱中，使用由分类图像构建标签图像工具（Build Label From Classification）。
在工具中，输入栅格选择影像底图，输入分类图像选择已有分类图像。在类别名称选项中，选择性地输入分类图像中已有的类别名。如果不设置，默认提取所有类别从而生成标签图像。如果仅想提取单独的几个类别，可输入这几个类别的类别名，例如本例中仅想提取水面相关的类别，则可在类别名称选项中输入已有的几个水面相关的类别名，从而生成标签图像。Five-Billion-Pixels-ENVIFormat样本库中包含了如下类别：
表1 Five-Billion-Pixels-ENVIFormat样本库类别
| 序号 | 英文类别名 | 中文类别名 |
| 1 | industrial area | 工业区 |
| 2 | paddy field | 水田 |
| 3 | irrigated field | 灌溉田 |
| 4 | dry cropland | 旱地 |
| 5 | garden land | 园地 |
| 6 | arbor forest | 乔木林地 |
| 7 | shrub forest | 灌木林地 |
| 8 | park | 公园 |
| 9 | natural meadow | 天然草地 |
| 10 | artificial meadow | 人工草地 |
| 11 | river | 河流 |
| 12 | urban residential | 城市居民区 |
| 13 | lake | 湖泊 |
| 14 | pond | 池塘 |
| 15 | fish pond | 鱼塘 |
| 16 | snow | 雪 |
| 17 | bareland | 裸地 |
| 18 | rural residential | 农村居民区 |
| 19 | stadium | 体育场 |
| 20 | square | 广场 |
| 21 | road | 道路 |
| 22 | overpass | 立交桥 |
| 23 | railway station | 火车站 |
| 24 | airport | 机场 |
对生成的标签图像的最后一个Label Mask波段进行密度分割，可以看到里面包含的五个类别样本。
如果要批量生成标签图像，可在ENVI Modeler建模工具中构建批处理模型，如下图所示的批处理模型可在样本库获取链接中下载。
3. 训练深度学习模型
生成深度学习标签图像之后就可以进行模型训练了。ENVI深度学习需要英伟达独立显卡，推荐8G以上显存，会有一个更快的训练速度。在ENVI工具箱中，使用训练像元分类模型工具（Train TensorFlow Pixel Model）。
在训练像元分类模型工具Main选项卡中，训练样本栅格和验证样本栅格选择上一步生成的标签图像，设置指标最优模型和最后一次训练模型的输出路径和文件名。如果想要得到一个训练更为充分的模型，可在Training选项卡中，将训练次数设置为一个较高的次数，例如500次，这样模型会有更充分的训练。理论上训练次数越多，精度指标越趋向更高，但注意这会大大增加训练时间。
4. 图像分类
训练好模型之后就可以用训练好的模型进行其它相似图像的分类。在ENVI工具箱中，选择深度学习像元分类工具（TensorFlow Pixel Classification）进行图像分类。
在深度学习像元分类工具中，输入栅格选择待分类图像，输入模型选择上一步训练好的模型，设置分类图像输出路径和文件名即可对相似图像进行图像分类。如需批量化分类，也可在ENVI Modeler中构建批处理工作流。
注意：待分类图像的波段数和数据类型要尽量和训练时的影像底图一致，如果波段数量不一致，选择输入栅格的时候可以选择spectral subet波段裁剪，选择三波段或四波段数据。如果数据类型不一致，可使用相对辐射归一化等工具进行图像数据类型转换。
5. 总结
深度学习开源样本库的使用总体分为3步。第1步，使用样本数据生成标签图像（可在ENVI Modeler中进行批量标签图像生成）；第2步，使用生成的标签图像训练深度学习模型；第3步，使用训练好的模型进行图像分类。通过以上3步即可利用已有的开源样本库方便地进行图像分类。
